建筑 FDD 应该用规则、物理模型还是机器学习

直接回答：设备保护和明确边界适合规则，物理关系适合解释和跨工况，机器学习适合复杂模式，但都需要现场反馈。

规则方法可解释、易部署，适合明确条件；物理模型可以比较预期与实际；统计和机器学习可以发现复杂模式或排序根因。

没有故障标签时，监督学习无法直接训练。工况变化大、数据质量不稳定时，单一模型也容易误报。

工程上通常先做数据质量和点位映射，再用规则覆盖关键保护，逐步加入模型诊断，并通过工单结果评估准确率。

延伸阅读

文献依据与适用范围

下列文献用于约束本文的技术边界。文章为工程解读，不复制论文全文，也不把论文实验值换算成智枫昊元的项目承诺。

1. Methods for Fault Detection, Diagnostics, and Prognostics for Building Systems - A Review, Part IKatipamula, S.; Brambley, M. R. · HVAC&R Research · 2005对建筑系统自动故障检测、诊断和预测方法进行分类，并比较定量、定性及数据驱动路线。
2. Methods for Fault Detection, Diagnostics, and Prognostics for Building Systems - A Review, Part IIKatipamula, S.; Brambley, M. R. · HVAC&R Research · 2005继续讨论建筑与 HVAC&R 故障检测、诊断和预测方法及其工程限制。
3. Digital Twin for Fault Detection and Diagnosis of Building Operations: A Systematic ReviewHodavand, F.; Ramaji, I. J.; Sadeghi, N. · Buildings · 2023系统综述数字孪生在建筑运行故障检测与诊断中的应用和证据缺口。
4. ASHRAE Guideline 36-2024 High-Performance Sequences of Operation for HVAC SystemsASHRAE · ASHRAE · 2024面向常见 HVAC 系统的高性能标准控制序列，强调可复用的顺序、联锁和故障处理。

本问答提供通用技术判断，不替代项目设计、医疗感控、消防安全、设备厂家说明或正式测量验证。